Graph learning

API0065

Apprentissage dans les graphes

Responsable de l'Api

Jean-Benoist Leger

Résumé

Cette API a pour objectifs de sensibiliser les étudiants à la connexion entre la théorie des graphes et l’apprentissage automatique essentiellement via la notion de graphe d’inférence et de leur apprendre un certain nombre d’outils mathématiques fondés sur l’optimisation et les statistiques permettant de faire de l’analyse des graphes (graph mining).

Typologie Api

Modalité : #Autonomie #Stage (il est prévu 2 jours en présentiel, puis deux jours d’autonomie, puis un jour en présentiel)

Format : #Enseignant-chercheur

Complément : #Cours

Domaine

Mathématiques et informatique appliquées

Public visé

Étudiant avec un sérieux bagage mathématiques et informatique. Les notions suivantes seront utilisées :

– Mathématique:

  • Algèbre linéaire (par exemple MT23 ou équivalent)

  • Optimisation (par exemple RO04 ou équivalent)

  • Modèles aléatoires (par exemple SY02+SY09 ou AOS1 ou équivalent)

– Informatique:

  • Programmation avec paradigme fonctionnel élémentaire (par exemple en python savoir ce qu’est une compréhension de liste en python, une fonction anonyme, une map/filter/reduce)

  • Programmation scientifique en python (numpy, scipy, matplotlib, scikit-learn…)

Catégorie

CS

Objectifs pédagogiques

Objectif de l’Api : Utiliser la modélisation et l’analyse des graphes aléatoire

Objectifs spécifiques :

  • utiliser les notions de la théorie des graphes aléatoires et de graphes

    d’inférences dans la modélisation des problèmes de grande taille avec des

    données incertaines;

  • appliquer des méthodes de statistiques dans l’analyse de graphes.

Objectifs transversaux :

  • résoudre un problème via des algorithmes.

  • analyser et traiter des grandes masses de données

Programme

  • Formation initiale (2 jours en présentiel)

    • Introduction et théorie des graphes

    • Modèles graphiques (factorisation de modèle probabilistes)

    • Intérence de graphe

    • Statistiques descriptives sur les graphes

    • Méthodes spectrales

    • Graphes aléatoires

  • Autonomie (1 jour)

    • Mise en oeuvre des méthodes de la formation initiale en autonomie.

  • Mini-projet en autonomie (1 jour)

    • Utilisation des concepts pour résoudre un problème réel.

  • Travail en commun sur la base du projet et restitution (1 jour en présentiel)

Évaluation

  • Mini-projet: 60%.

  • Examen sur table (au début du deuxième jour, et au début du cinquième jour, 15 min par examen): 40%.

Inter-semestre

H23

Période

30/01-03/02

Capacité d'accueil

24

Lieu de déroulement

BF

ECTS

2

Temps de travail étudiant

Travail demandé pendant l'Api : 40h

Travail demandé avant l'Api : 0h-20h (mise à niveau, des objectifs de mise à niveau seront envoyés en amont aux étudiants).